SAP AnalyticsDI Walter Müllner, Presales Expert
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 2Public
Disclaimer
Die Informationen in dieser Präsentation sind vertraulich und urheberrechtlich geschützt und dürfen nicht ohne Genehmigung
von SAP offengelegt werden. Diese Präsentation unterliegt weder Ihrem Lizenzvertrag noch einer anderen Service- oder
Subskriptionsvereinbarung mit SAP. SAP ist in keiner Weise verpflichtet, in dieser Präsentation oder einem dazugehörigen
Dokument dargestellte Geschäftsabläufe zu verfolgen oder hierin wiedergegebene Funktionen zu entwickeln oder zu
veröffentlichen.
Diese Präsentation oder jedes dazugehörige Dokument über die Strategie von SAP und mögliche zukünftige Entwicklungen,
Ausrichtungen und Funktionen von Produkten und/oder Plattformen kann von SAP jederzeit aus beliebigen Gründen ohne
vorherige Ankündigung geändert werden. Die Informationen in dieser Präsentation stellen keinerlei Zusage, Versprechen oder
rechtliche Verpflichtung zur Auslieferung von Materialien, Code oder Funktionen dar. Diese Präsentation wird ohne jegliche
Gewähr, weder ausdrücklich noch stillschweigend, bereitgestellt. Dies gilt insbesondere, hinsichtlich der Gewährleistung der
Marktgängigkeit und der Eignung für einen bestimmten Zweck sowie für die Gewährleistung der Nichtverletzung geltenden
Rechts. Diese Präsentation dient zu Informationszwecken und darf nicht in einen Vertrag eingebunden werden. SAP übernimmt
keine Verantwortung für Fehler oder Unvollständigkeiten in dieser Präsentation, es sei denn, solche Schäden wurden von SAP
vorsätzlich oder grob fahrlässig verursacht. Sämtliche vorausschauenden Aussagen unterliegen verschiedenen Risiken und
Unsicherheiten, durch die die tatsächlichen Ergebnisse von den Erwartungen abweichen können.
Die vorausschauenden Aussagen geben die Sicht zu dem Zeitpunkt wieder, zu dem sie getätigt wurden. Dem Leser wird
empfohlen, diesen Aussagen kein übertriebenes Vertrauen zu schenken und sich bei Kaufentscheidungen nicht auf sie zu
stützen.
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 3Public
Agenda
Überblick über das SAP Analytics Portfolio
Beispiel: Predictive Analytics
Automated Predictive Analytics
Demobeispiel - Sensordaten
Überblick über das SAP
Analytics Portfolio
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 5Public
SAP Cloud for Analytics
All analytics capabilities
in one product
Consumer-grade
user experience
Embedded and
standalone
High-performance,
real-time platform
Agile Visualization
SAP Lumira
Lumira 1.29
Advanced
Analytics
SAP Predictive
Analytics
Predictive Analytics 2.4
SAP Analytics Portfolio und Strategie
Enterprise BI
SAP BusinessObjects
BI Suite
BI 4.2
Design Studio 1.6
Analysis Office 2.2
EPM
Ex. SAP Business
Planning and
Consolidation (BPC)
BPC 10.1 NW SP08
GRC
Ex. SAP Risk
Management
Risk Management 10.1 SP11
On-premise and/or Private Cloud Deployment Options
Software-as-a-Service in the Public Cloud
Weiteres Investment in
existierende Lösungen
Neue analytische
Funktionen als SaaS
Data Level Interoperability
Beispiel: Predictive Analytics
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 7Public
Die Prädiktion / Prognose / Vorhersage
„Prognosen sind schwierig –
besonders wenn sie die Zukunft betreffen“
Mark Twain, Niels Bohr, und v.a.
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 8Public
Warum PA?
Raw
Data
Cleaned
Data
Standard
Reports
Ad Hoc
Reports &
OLAP
Generic
Predictive
Analytics
Predictive
Modeling
Optimization
Was ist passiert?
Warum ist es passiert?
Was wird passieren?
wahrnehmen & reagieren vorhersagen & agieren
WE
TT
BE
WE
RB
SV
OR
TE
IL
ANALYTISCHE REIFE
Was ist das Beste, das
passieren könnte?
Warum wird es passieren?
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 9Public
Typische Fragestellungen
Classifikation
Wer wird (kaufen | betrügen | abwandern …) nächste (Woche | Monat | Jahr…) ?
Regression
Wie hoch wird der (Umsatz | Anz. Churner …) sein in der nächsten (Woche | Monat..)?
Forecasting (Zeitreihen)
Wie wird sich der (Umsatz | Anz. Churners …) im nächsten Jahr pro Monat entwickeln?
Recommendation engines (next best offering)
Liefert z.B. Vorschläge auf Webseiten oder für Retailer
Segmentation
Welche Gruppen von Kunden haben ein ähnliches (Verhalten | Profil …)?
Link Analysis
Analyse von Interaktionen um (communities | influencers…) zu identifizieren
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 10Public
Typische Fragestellungen
Classifikation
Wer wird (kaufen | betrügen | abwandern …) nächste (Woche | Monat | Jahr…) ?
Regression
Wie hoch wird der (Umsatz | Anz. Churner …) sein in der nächsten (Woche | Monat..)?
Forecasting (Zeitreihen)
Wie wird sich der (Umsatz | Anz. Churners …) im nächsten Jahr pro Monat entwickeln?
Recommendation engines (next best offering)
Liefert z.B. Vorschläge auf Webseiten oder für Retailer
Segmentation
Welche Gruppen von Kunden haben ein ähnliches (Verhalten | Profil …)?
Link Analysis
Analyse von Interaktionen um (communities | influencers…) zu identifizieren
3 Arten von Ergebnissen:
P
Value
Group
Automated Predictive Analytics
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 12Public
Automatisierung - Vorteile
Zeitaufwand für Phasen
Klassische
Vorgehensweise
Automatische
Modellbildung
Geschäftsverständnis
Datenverständnis, Datenaufbereitung
Modelle erzeugen + Evaluierung
Modelle anwenden = Scoring
Kontinuierliche Anwendungund Re-Kalibrierung *)
*) bei klassischer Vorgehensweise ist das ein
neuer Iterationszyklus im Vorgehensmodell
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 13Public
Vorbereitung der Daten / Datenbeschreibung
Automated Mode:
Keine Annahmen notwendig bezüglich der „Verteilung“ der Input Variablen
Keine Annahmen notwendig bezüglich „re-Codierung“, Normalisierung, etc., der Variablen
(das wird automatisch gemacht)
Keine Annahmen nötig bezüglich „missing Values“
Sofern bekannt, werden die jeweiligen „missing Values“ in der Datenbeschreibung angegeben, das
Werkzeug kümmert sich um deren richtige Behandlung
Keine Annahmen nötig bezüglich eventueller Korrelationen zwischen den Variablen,
das wird vom Werkzeug automatisch behandelt
Keine spezielle Vorgehensweise nötig, was das Finden des „beste Modells“ betrifft:
es werden eine große Anzahl von Modellen gleichzeitig errechnet und bewertet, ausgewählt wir dasjenige,
das die höchste „predictive Power“ bei gleichzeitig bester „Generalisierungsfähigkeit“ hat.
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 14Public
Anwendungsbeispiele für PA
Schnelle Vorhersagen von Markttends
und Bedarf der Kunden
Prognosen, ob und wie Schwankungen
im Marktpreis den Produktionsplan
beeinflussen
Rechtzeitiges Erkennen von
Änderungen in der Nachfrage oder
Bestand über die gesamte Lieferkette
Beobachtung und Analyse von
Abweichungen und Qualitätsproblemen
im Produktionsprozess
Jedem Kunden exakt das richtige Angebot
und Dienstleistungs-Level anbieten
Einen stetig aktuellen Einblick in
zukünftige Verkäufe haben, Änderungen in
Echtzeit aufzeigen
Verstehen, was Bestandskunden und
potentielle Kunden in diesem Moment über
Ihr Unternehmen sagen
Vorhersage von liquiditätswirksamen
Erträgen, um Inkassi, Risiken und
kurzfristige Kredite besser zu verwalten
Demobeispiel
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 16Public
Beispiel 1: Automatisches Erkennen von Mustern in Sensor-Daten
Sensoren messen bestimmte
Umgebungsbedingungen bei
der Herstellung eines
Produktes (Sensor1, …,
Sensor_n).
Der Indikator „Target_x“=1
wenn bestimmtes Ereignis
eintritt (z.B. Produkt ist defekt)
Der Target Wert=1 könnte aber
auch ein Indikator sein für den
Ausfall eines Maschinenteils, wenn
die Sensordaten den Betrieb einer
Maschine oder Komponenten
überwachen.
Gesucht werden jene
Sensoren und deren
Wertebereiche (bzw.
Kombinationen) wo Target=1
auftritt.
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 17Public
Vorgehen bei der Modellerstellung (automated mode)
Definition des zu
lösenden Problems
(Klassifikation)
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 18Public
Daten auswählen
Auswahl der Daten aus
einer Vielzahl von
möglichen Arten von
Datenquellen
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 19Public
Variablen im Datensatz „verstehen“
Einesen bzw.
Analysieren der
Datenstruktur (Felder,
Datentypen, etc)
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 20Public
Spezifikation der unabhängigen und der Zielvariablen (Target)
Spezifikation des zu
erzeugenden Modells
(Zielvariable(n) und
erklärende Variablen,
die für das Modell
berücksichtigt werden
sollen)
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 21Public
Überprüfung/Änderung der Modellierungsparameter
Finale Übersicht aller
ausgewählten
Einstellungen
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 22Public
Modelle automatisiert erstellen und bewerten
Trainieren des Modells
Es wird automatisch
eine ganze Reihe von
Modellen erzeugt,
bewertet und
verglichen, und am
Ende jenes
ausgewählt, das den
besten Kompromiss
zwischen Vorhersage-
genauigkeit und
Generalisierungs-
fähigkeit darstellt
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 23Public
Ergebnis des Modelltrainings (bestes Modell gefunden)
Ergebnis der
Modellerstellung
Die beiden Kennzahlen
„Prognostische
Trennschärfe“ und
„Prognosekonfidenz“
geben eine Indikation
über die Qualität des
gefundenen Modells
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 24Public
Performance-Graph (Qualität des gefundenen Modells)
Beispiel-Ausgabe für
die ROC Kurve
(Qualität des Modells):
Je näher die blaue
Kurve an der grünen
ist, desto besser ist das
Modell, je näher an der
roten Linie, desto eher
gleicht das Modell einer
Zufallsvorhersage
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 25Public
Einfluss der unabhängigen Variablen (Prädiktoren)
Einflussfaktoren nach
ihrem Beitrag zur
Klassifikation:
Sensor1 erklärt zu
einem hohen Grad die
Unterschiede zwischen
den Target 0/1 Werten.
Sensor 2 erklärt einen
weiteren Anteil des
Unterschieds.
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 26Public
Einfluss der Wertebereiche von „Sensor1“
Welche Wertebereiche
von Sensor1 haben
einen hohen/niedrigen
Einfluss auf einen
Target=1 Wert?
Die Wertebalken weiter
links haben einen
höhren Einfluss auf
Target=1, die
Wertebereiche weiter
rechts haben einen
niedrigeren Einfluss auf
Target=0
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 27Public
Einfluss der Wertebereiche von „Sensor2“
Welche Wertebereiche
von Sensor2 haben
einen hohen/niedrigen
Einfluss auf einen
Target=1 Wert?
Die Wertebalken weiter
links haben einen
höhren Einfluss auf
Target=1, die
Wertebereiche weiter
rechts haben einen
niedrigeren Einfluss auf
Target=0
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 28Public
Cross-Validation, Simulation und Optimierung
Wie hoch ist der Anteil
der richtig positiv,
richtig negativ, falsch
positiv und falsch
negativ Klassifizierten
Fälle?
Simulationsmöglichkeit
zum Auffinden des
Optimums, wenn die
vier obigen Prognose-
kategorien mit einer
Kostenmatrix hinterlegt
werden können
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 29Public
Anwendung des Modells
Anwenden des Modells
auf einen anderen
Datensatz (=Scoring)
mit diversen Parame-
trierungsmöglichkeiten
zur Erzeugung
unterschiedlicher
Ausgaben
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 30Public
Ist Situation in neuem DatensatzVisualisierung Sensor1 vs. Anzahl der Messwerte nach Target-Werten
Visualisierung der
Ergebnisse, hier die Ist-
Werte aus dem Test-
Datensatz:
Häufigkeitsverteilung
der Target=0/1 Werte
nach Sensor1, man
sieht eine auffällige
Häufung der defekten
Teile (Target=1) im
linken bzw. rechten
Bereich in grün
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 31Public
Ist Situation in neuem DatensatzVisualisierung Sensor2 vs. Anzahl der Messwerte nach Target-Werten
Häufigkeitsverteilung
der Target=0/1 Werte
nach Sensor2, man
sieht auch hier eine
auffällige Häufung der
defekten Teile
(Target=1) im linken
bzw. rechten Bereich in
grün
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 32Public
Ist Situation in neuem DatensatzVisualisierung Sensor1 vs. Sensor2 nach Target_all
Darstellung der
Verteilung der
Target=0/1 Werte nach
den beiden
Einflussfaktoren
Sensor1 und Sensor2
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 33Public
Erstes Modell mit den 2
Prädiktoren Sensor1
und Sensor2
Prognostizierte Werte nach dem ersten Modell
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 34Public
Prognostizierte Werte nach dem erstem Modell
Erstes Modell:
Falsch positive Fälle: 285
Falsch negative Fälle: 336
Treffergenauigkeit
(accuracy, richtig
prognostizierte Werte):
93,79%
Trefferquote (hit rate,
Richtig-Positiv-Rate):
51,3%
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 35Public
Bestes gefundenes ModellVisualisierung Sensor1 vs. Sensor2 nach Target – bestes gefundenes Modell
Bestes gefundenes
Modell durch
zusätzliche
Generierung von neuen
Prädiktor-Variablen
(z.B. Verhältnis von
Sensor1/Sensor2):
Sensor1 vs. Sensor2
nach Target=0/1
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 36Public
Bestes gefundenes Modell
Falsch positive bzw.
falsch negative
Prognosewerte treten
nur an den
Randbereichen auf
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 37Public
Bestes gefundenes Modell
Bestes Modell:
Falsch negative Fälle: 118
Falsch positive Fälle: 70
Treffergenauigkeit
(accuracy , richtig
prognostizierte Werte):
98,12%
Trefferquote (hit rate,
Richtig-Positiv-Rate):
82,9%
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 38Public
Priorisierung beim Scoringdurch Priorisierung beim Scoring: z.B. falsch negative Fälle sollen vermieden werden
Optimierung beim
Scoring:
Falsch negative Fälle: 0
Falsch positive Fälle: 628
Treffergenauigkeit
(accuracy , richtig
prognostizierte Werte):
93,72%
Trefferquote (hit rate,
Richtig-Positiv-Rate):
100%
© 2016 SAP SE or an SAP affiliate company. All rights reserved.
Danke für die Aufmerksamkeit
© 2016 SAP SE or an SAP affiliate company. All rights reserved. 40Public
© 2016 SAP SE oder ein SAP-Konzernunternehmen.
Alle Rechte vorbehalten.
Weitergabe und Vervielfältigung dieser Publikation oder von Teilen daraus sind, zu welchem Zweck und in welcher Form auch immer, ohne die ausdrückliche schriftliche
Genehmigung durch SAP SE oder ein SAP-Konzernunternehmen nicht gestattet.
SAP und andere in diesem Dokument erwähnte Produkte und Dienstleistungen von SAP sowie die dazugehörigen Logos sind Marken oder eingetragene Marken der
SAP SE (oder von einem SAP-Konzernunternehmen) in Deutschland und verschiedenen anderen Ländern weltweit.
Weitere Hinweise und Informationen zum Markenrecht finden Sie unter http://global.sap.com/corporate-de/legal/copyright/index.epx.
Die von SAP SE oder deren Vertriebsfirmen angebotenen Softwareprodukte können Softwarekomponenten auch anderer Softwarehersteller enthalten.
Produkte können länderspezifische Unterschiede aufweisen.
Die vorliegenden Unterlagen werden von der SAP SE oder einem SAP-Konzernunternehmen bereitgestellt und dienen ausschließlich zu Informationszwecken.
Die SAP SE oder ihre Konzernunternehmen übernehmen keinerlei Haftung oder Gewährleistung für Fehler oder Unvollständigkeiten in dieser Publikation.
Die SAP SE oder ein SAP-Konzernunternehmen steht lediglich für Produkte und Dienstleistungen nach der Maßgabe ein, die in der Vereinbarung über die jeweiligen
Produkte und Dienstleistungen ausdrücklich geregelt ist. Keine der hierin enthaltenen Informationen ist als zusätzliche Garantie zu interpretieren.
Insbesondere sind die SAP SE oder ihre Konzernunternehmen in keiner Weise verpflichtet, in dieser Publikation oder einer zugehörigen Präsentation dargestellte
Geschäftsabläufe zu verfolgen oder hierin wiedergegebene Funktionen zu entwickeln oder zu veröffentlichen. Diese Publikation oder eine zugehörige Präsentation,
die Strategie und etwaige künftige Entwicklungen, Produkte und/oder Plattformen der SAP SE oder ihrer Konzernunternehmen können von der SAP SE oder ihren
Konzernunternehmen jederzeit und ohne Angabe von Gründen unangekündigt geändert werden.
Die in dieser Publikation enthaltenen Informationen stellen keine Zusage, kein Versprechen und keine rechtliche Verpflichtung zur Lieferung von Material, Code oder
Funktionen dar. Sämtliche vorausschauenden Aussagen unterliegen unterschiedlichen Risiken und Unsicherheiten, durch die die tatsächlichen Ergebnisse von den
Erwartungen abweichen können. Die vorausschauenden Aussagen geben die Sicht zu dem Zeitpunkt wieder, zu dem sie getätigt wurden. Dem Leser wird empfohlen,
diesen Aussagen kein übertriebenes Vertrauen zu schenken und sich bei Kaufentscheidungen nicht auf sie zu stützen.